urllib：Python爬虫必学的网络库，收藏这一篇就Go了

网络库urllib

urllib库是Python3内置的HTTP请求库，不需要单独安装，默认下载的Python就已经包含了该库。

urllib库有4个模块：

request：最基本的HTTP请求模块，可以用法发送HTTP请求，并接收服务器的响应数据，这个过程就像在浏览器地址栏输入URL一样。

parse：工具模块，提供了很多处理URL的API，如拆分、解析、合并等。

robotparser：用来识别网站的robots.txt文件，然后判断哪些网站可以抓取，哪些不能抓取。

error：异常处理。如果出现请求错误，可以捕获这些异常，然后根据代码的需要，进行处理。

下面，我们来分别介绍urllib库这4个模块。

request

request模块，包含发送请求，获得响应，Cookie，代理等相关API。这里，我们分别来介绍其使用的方式。

发送GET请求

首先，我们一般进行爬虫程序编写时，开始都需要发送请求，然后获得响应进行处理。比如通过GET请求获取网页源代码，示例如下：

import urllib.request response=urllib.request.urlopen("https://www.csdn.net/") print(response.read().decode("UTF-8"))

如上面代码所示，运行之后，我们会得到网页html源代码。

这里response是一个HTTPResponse对象，调用它多种方法及其属性，就可以进行多样的处理。

比如，我们这里来获取CSDN首页，调用其属性及其方法，示例如下：

import urllib.request response = urllib.request.urlopen("https://www.csdn.net/") print("status:", response.status, " msg:", response.msg, " version:", response.version) print(response.getheaders())

这里，我们输出了CSDN首页的响应状态码，响应消息以及HTTP版本的属性，同时也打印其完整的响应头信息。

发送POST请求

默认request.urlopen()函数发送的GET请求，如果需要发送POST请求，我们需要使用data命令参数，该参数类型是bytes。示例代码如下：

import urllib.request import urllib.parse data = bytes(urllib.parse.urlencode({'username': 'name', 'age': '123456'}), encoding="UTF-8") response = urllib.request.urlopen("http://httpbin.org/post", data=data) print(response.read().decode("UTF-8"))

运行之后，如果请求成功就会返回一大堆字符串数据。

请求超时处理

在实际的爬虫项目中，我们都需要考虑一个关键的问题，那就是请求超时。如果请求网址因为长时间没有响应，那么卡在这里往往浪费大量的资源。

所以，我们需要设置一个超时时间，如果在限定的时间没有响应，就应该重新抓取，或者不在抓取。示例代码如下：

import urllib.request import urllib.parse import urllib.error import socket data = bytes(urllib.parse.urlencode({'username': 'name', 'age': '123456'}), encoding="UTF-8") try: response = urllib.request.urlopen("http://httpbin.org/post", data=data, timeout=0.1) print(response.read().decode("UTF-8")) except urllib.error.URLError as e: if isinstance(e.reason,socket.timeout): print("超时处理") finally: print("继续爬虫的工作")

爬虫伪装

现在只要是知名的网站，都具有定义的防爬虫技术。所以，我们在开发爬虫程序时，需要将自己的请求伪装成浏览器。

不过，urlopen()并没有header请求头参数，我们需要使用request.Request()进行构造请求，示例代码如下：

import urllib.request import urllib.parse data = bytes(urllib.parse.urlencode({'username': 'name', 'age': '123456'}), encoding="UTF-8") headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36' } req = urllib.request.Request("http://httpbin.org/post", data=data, headers=headers) response = urllib.request.urlopen(req) print(response.read().decode("UTF-8"))

这里，我们将爬虫程序伪装成从火狐浏览器进行的请求。

当然，Request类还有许多其他的信息，下表是博主列出来供读者参考使用的。

需要注意的是最后一个参数method，如果你在程序中，即指定了请求是GET，同时也有data表单数据，那么默认表单不会提交给服务器。

代理

其实，服务器除了根据请求头进行判断是否为爬虫之外，最简单判别爬虫的方式，就是判断是否是同一个IP短时间大量访问。

如果同一个IP短时间大量访问，那么可以直接判别为爬虫程序。而这个时候，我们可以通过代理进行伪装。当然，使用代理时应该不断更换代理服务器。

示例代码如下：

import urllib.error from urllib.request import ProxyHandler, build_opener proxy_handler = ProxyHandler({ 'http': 'http://183.47.138.80:8888', 'http': 'http://125.78.226.217:8888' }) opener = build_opener(proxy_handler) try: response = opener.open('https://www.csdn.net/') print(response.read().decode('UTF-8')) except urllib.error.URLError as e: print(e.reason)

运行之后，与前文一样返回CSDN首页的源代码。不过，需要注意的是，博主在写博客时，这个代码IP是有效的，但如果你读到这篇博文，可能已经失效了，你需要自己取找免费的代理服务器取测试。

获取Cookie

一般来说，当我们使用爬虫登录网站之后，会使用服务器返回的Cookie进行操作，有了这个Cookie，服务器就知道我们已经登录过。

那么如果获取Cookie数据呢？示例如下：

import urllib.error from urllib.request import ProxyHandler import http.cookiejar cookie = http.cookiejar.CookieJar() handler = urllib.request.HTTPCookieProcessor(cookie) opener = urllib.request.build_opener(handler) try: response = opener.open('https://www.csdn.net/') for item in cookie: print("name=", item.name, " value=", item.value) except urllib.error.URLError as e: print(e.reason)

如上面代码所示，我们可以通过http.cookiejar库进行操作，这里会返回cookie的键值对，并输出打印，效果如下：

如果本身网站的Cookie时效比较长的话，那么一次爬虫之后，我们可以将其保存在使用，这个时候会用到MozillaCookieJar类与LWPCookieJar类。

这2个类会在获取Cookie的同一时间，将Cookie分别保存为Mozilla浏览器格式和libwww-perl(LWP)格式。示例代码如下：

import urllib.error from urllib.request import ProxyHandler import http.cookiejar cookie = http.cookiejar.MozillaCookieJar('cookies.txt') handler = urllib.request.HTTPCookieProcessor(cookie) opener = urllib.request.build_opener(handler) try: response = opener.open('https://www.csdn.net/') cookie.save(ignore_discard=True,ignore_expires=True) except urllib.error.URLError as e: print(e.reason)

运行之后，会生成一个cookies.txt文件，具体内容如下：

而LWPCookieJar类的使用方式与上面MozillaCookieJar类似，这里不在赘述。至于读取通过cookie.load()方法进行加载Cookie。

Parse

在实际的爬虫处理中，我们经常会遇到各种的编码问题。而这些问题就可以通过Parse进行解决处理。

中文的编码与解码

比如，在某些网址的请求头中，有些网站请求头会含有中文。但默认不进行任何处理肯定会报UnicodeEncodeError错误。

读者可以通过上面的代码，在headers字典中添加一个键值对，值是中文试试。下面，我们需要对其进行编码，示例如下：

import urllib.parse import base64 value = urllib.parse.urlencode({'name': '安踏'}) print("编码后的中文：", value) print("解码后的中文：", urllib.parse.unquote(value)) #base64编码与解码 base64Value=base64.b64encode(bytes('学习网络urllib库',encoding="UTF-8")) print("编码后的中文：", base64Value) print("解码后的中文：", str(base64.b64decode(base64Value),"UTF-8"))

运行之后，效果如下：

需要注意的是，urlencode只能对url参数进行编码，比如这里对headers请求头进行了编码。而网站中的数据，有的是通过base64进行编码的，这个时候，我们也需要掌握base64的解码与编码。

quote与unquote

quote函数也是一个编码函数，但它与urlencode不同，urlencode只能对URL进行编码。而quote可以给任意字符串进行编码。

至于unquote是编码的逆过程（解码），示例如下：

from urllib.parse import quote, unquote url = 'https://www.baidu.com/s?wd=' + quote("王者荣耀") print(url) url = unquote(url) print(url)

运行之后，效果如下：

URL解析

在前面介绍的时候，我们也说了parse模块可以分解，分析，合并URL。下面，我们来通过这些函数，举一些列子，读者就会明白了。

from urllib import parse url = 'https://www.csdn.net/' split_result=parse.urlsplit(url); print(split_result) result = parse.urlparse(url) print('scheme:', result.scheme) # 网络协议 print('netloc:', result.netloc) # 域名 print('path:', result.path) # 文件存放路径 print('query:', result.query) # 查询字符 print('fragment:', result.fragment) # 拆分文档中的特殊猫

运行之后，效果如下：

连接URL

对于URL来说，有时候我们需要将URL的多个部分进行组合。比如，我们在爬取某一个网站下图片时，其默认的前部分基本都相同，可能只是ID不同。

那么这个时候，我们需要将前部分URL与ID进行拼接。示例代码如下：

import urllib.parse print(urllib.parse.urljoin('https://blog.csdn.net','liyuanjinglyj')) print(urllib.parse.urljoin('https://blog.csdn.net','https://www.baidu.com')) print(urllib.parse.urljoin('https://blog.csdn.net','index.html')) print(urllib.parse.urljoin('https://blog.csdn.net/index.php','?name=30'))

运行之后，效果如下：

如果第2个参数不是一个完整的URL，会将第2个参数的值加到第1个参数的后面，自动添加斜杠"/”。

如果第2个参数是一个完整的URL，那么直接返回第2个URL。

参数转换（parse_qs与parse_qsl）

parse_qs函数将多个参数拆成字典的形式，key是参数名，value是参数值。

而parse_qsl函数返回一个列表，每个元素是一个包含2个元素值的元组，第1个元素表示key，第2个元素表示value。

示例如下：

from urllib.parse import parse_qs, parse_qsl query = "name=李元静&age=29" print(parse_qs(query)) print(parse_qsl(query))

运行之后，效果如下：

2个函数仅返回的参数形式不同，内容基本都是匹配的。同时，它们2个函数不管对什么类型，转换结果都是字符串。

Robots协议

Robots协议也称为爬虫协议、机器人协议，它的全名是网络爬虫排除标准（Robots Exclusing Protocol）。

用来告诉爬虫和搜索引擎哪些页面可以抓取，哪些不可以抓取。该协议通常放在一个名为robots.txt的文本文件中，它位于网站的根目录下。

特别注意，robots.txt文件仅仅是为了告诉开发中哪些数据可以抓取，哪些数据不可以，并不能阻止开发中进行爬虫操作。但作为一个有良知的程序员，应尽量尊重这些规则。

Robots协议的定义规则

robots.txt的文本文件一般有3个值：

User-agent：如果它为*，表示对所有爬虫有效

Disallow：哪个目录下的资源不能抓取，比如Disallow:/index/，那么禁止爬取index文件中的所有资源。如果为/，表示该网站都不能抓取。

Allow：表示哪个目录下的资源可以抓取。比如Allow:/，表示所有网站都可以抓取。值与Disallow一样，只是反意义。

当然，User-agent还可以禁止某些爬虫抓取，比如禁止百度爬虫抓取：User-agent:BaiduSpider。常用的爬虫名如下表：

Robots协议的解析

当然，我们获取Robots协议，肯定是为了获取哪些资源不可爬。但是，直接通过字符串进行解析虽然也能完成，不过稍微复杂了点。

而urllib库的robotparser模块提供了相应的API进行解析，也就是RobotFileParser类。示例如下：

from urllib.robotparser import RobotFileParser #一种解析方式 robot = RobotFileParser() robot.set_url('https://www.csdn.net/robots.txt') robot.read() print(robot.can_fetch('*', 'https://blog.csdn.net/rank/list')) #另一种解析方式 robot = RobotFileParser('https://www.csdn.net/robots.txt') print(robot.can_fetch('*', 'https://blog.csdn.net/rank/list'))

这里，can_fetch方法用来判断该网址根据Robots协议是否可以抓取。这里判断的是CSDN排行榜能否抓取，返回了True。

error

异常处理在上面的代码中，我们已经用过了。比如在请求超时的讲解之中，我们用到了URLError。但是它还有一个子类HTTPError。

HTTPError

它主要用于HTTP请求错误的处理，比如400，404等错误。

HTTPError有3个重要的参数：

code：服务器返回的状态码，如404等

reason：返回错误的原因

headers：返回请求头

不过，HTTPError不能捕获超时错误，如果你需要处理超时错误，那么只能通过URLError进行捕获。

HTML Python 爬虫

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。